معلومة

الفرق بين السنبلة واطلاق النار

الفرق بين السنبلة واطلاق النار


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

في مقالة "نموذج طوبولوجي لتشكيل الخريطة المكانية للحصين باستخدام التناظر المستمر" بقلم Y. Dabaghian و F.Mémoli و L. Frank و G. اطلاق النار و ارتفاع. أنها لا تعني الشيء نفسه؟ يبدو لي أنه عندما يقولون إن خلية مكان تطلق أو أن خلية مكان تتصاعد ، فإنهم يشيرون إلى نفس الشيء تمامًا. يأتي الالتباس من استخدام كلتا الكلمتين في نفس الجملة كما في الجمل النموذجية التالية من المقالة (التركيز الخاص بي):

في الواقع ، يمكن لاحقًا إعادة تتبع مسار الجرذ عبر مساحة صغيرة بدرجة عالية من الدقة عن طريق تسجيل الحصين. نشاط تصاعد خلال الاستكشافات ثم تحليل الموقع والحجم و معدلات إطلاق النار من 40 إلى 50 حقلاً مكانًا [...]

لفهم الخوارزميات التي قد يستخدمها الدماغ لفك شفرة الحصين إطلاق خلية مكان، إذن ، يجب أن نعتمد فقط على المعلومات المقدمة من قبل مكان نشاط ارتفاع الخلية [… ]

في الواقع ، من المفترض عمومًا أن الخلايا العصبية في اتجاه الحُصين تفسر وضع أنماط ارتفاع الخلية مرتكز على شارك في إطلاق النار [… ]

وبالتالي ينبغي أن يكون من الممكن تتبع ظهور المعلومات الطوبولوجية أكثر وأكثر المسامير نكون مطرود [… ]

هناك متغيرات فيزيائية حيوية (معدلات إطلاق النار, السعة سبايك، إلخ.) [… ]


في اقتباساتك ، يتم استخدام المصطلحين spiking و firing كمرادفات. في الواقع ، يشير كلا المصطلحين إلى نفس ظاهرة توليد إمكانات الفعل وفي هذا السياق لا يوجد فرق وظيفي فسيولوجي بين الارتفاع والإطلاق.

ومع ذلك ، لاحظ أنه في بعض السياقات قد يكون هناك اختلاف ، أي أن بعض المؤلفين يميزون بين الخلايا العصبية ارتفاع و انفجار؛ الأول يشير إلى وضع إطلاق النار المنشط ، والأخير يشير إلى وضع إطلاق النار (على سبيل المثال رامشاران وآخرون. (2000)).

المرجعي
- رامشاران وآخرون., فيس نيوروسسي (2000); 17(1):55-62


ما هو لقاح فايزر؟

معلومات عن شركة فايزر: التعريف

لقاح Pfizer هو لقاح طورته شركة Pfizer، Inc. و BioNTech لاستخدامه ضد فيروس كورونا Covid-19.

تشكيل شركة فايزر:

الحمض النووي الريبي هو حمض نووي مشابه للحمض النووي ، لكن الحمض النووي الريبي يسمى نسخة ، نسخة حرفية من قواعد الحمض النووي. أثناء تخليق البروتين ، تنتقل نسخة mRNA إلى سيتوبلازم الخلية حيث تُصنع البروتينات بعد ذلك. يتم تصنيع لقاح فايزر عن طريق أخذ mRNA ، الذي يرمز لبروتين سبايك للفيروس ، ثم تغطيته بنوع من الجسيمات النانوية الدهنية. يعمل طلاء الدهون هذا على حماية الحمض النووي. بمجرد إدخاله في الجسم ، يحفز mRNA جهاز المناعة لدينا للاستجابة.

مزايا الحصول على شركة فايزر:

تكون الفعالية بعد جرعتين من لقاح Pfizer عالية ، حيث تبلغ حوالي 95٪ ، مما يشير إلى أنه يمكن تحقيق مناعة القطيع بسهولة إذا تم تطعيم عدد كافٍ من الأشخاص. يمكن صنع فيروسات مثل لقاح Pfizer Covid-19 بسرعة أكبر من اللقاحات التقليدية لأنها لا تحتاج إلى استخدام الفيروس بأكمله.

هل هناك أي عيوب لقاح فايزر

يجب تخزين اللقاح في درجات حرارة منخفضة للغاية من -80 درجة مئوية إلى -60 درجة مئوية ، كما يلزم وجود معدات متطورة لإنتاج الفيروس. نظرًا لأن اللقاح مصنوع باستخدام mRNA ، فهذا يعني أن التلوث يمثل خطرًا وأن عملية استخراج المادة وتنقيتها تقنية للغاية ، وتتطلب مستوى عالٍ من المهارة في عملية التصنيع.


نتائج

جيل كاليفورنياالخامس3.3 Ca 2+ قناة خروج المغلوب الفئران.

لاستكشاف الوظيفة الفسيولوجية للكالسيومالخامس3.3 ، قمنا بتنفيذ تعطيل مستهدف لـ Caالخامس3.3 جين في الفئران كما هو مبين في الشكل 1أ. تم تصميم ناقل الاستهداف لحذف exon3 و exon4 الذي يشتمل على الطرف N من Caالخامس3.3 بروتين (شركة Amgen صورة 1أ). بعد انتقال الخط الجرثومي الناجح ، تم تهجين الفئران متغايرة الزيجوت لحدث الاستهداف للحصول على Ca متماثلة اللواقح.الخامس3.3 بالضربة القاضية (KOs) ، كما أكده تفاعل البوليميراز المتسلسل (PCR) و / أو اللطخة الجنوبية (الشكل 1ب). لم يلاحظ أي تحيز جنسي في النسل ، ولوحظت النسبة المندلية المتوقعة بين الفئران الطافرة من النوع البري ، متغايرة الزيجوت ، ومتماثلة اللواقح (البيانات غير معروضة). لتقييم ما إذا كان تعطيل Caالخامس3.3 كان الجين فعالاً ، قمنا بفحص مستوى الكالسيومالخامس3.3 مرنا. أظهر تحليل RT-PCR أنه لا يوجد Caالخامستم إنتاج 3.3 mRNA في Caالخامس3.3 الدماغ ، مما يشير إلى أن استهداف الجينات أدى إلى طفرة فارغة لهذا الموضع (الشكل 1ج). استخدمنا أيضًا التهجين في الموقع للتحقق من التعبير والتوطين الخلوي لـ Caالخامس3.3 في أدمغة الفئران البرية والمتحولة (الشكل 1د).

تعطيل مستهدف للماوس Caالخامس3.3 الجين وانخفاض التيار من النوع T في كاليفورنياالخامس3.3 كو. (أ) تمثيلات تخطيطية لنوع البرية Caالخامس3.3 أليل ، موجه مستهدف ، وأليل متحولة. تم تمثيل Exons بالصناديق السوداء. تم تصميم Exon3 و exon4 ليتم حذفهما لتوليد أليل متحور. (ب) تحليل اللطخة الجنوبية للحمض النووي الجيني المعزول من ذيول فئران من النوع البري (WT) ومتماثلة الزيجوت. يتم عرض إنزيمات التقييد والتحقيقات المستخدمة في أ. المقطع 12 كيلو بايت يتوافق مع الأليل البري 9 كيلو بايت ، الأليل المستهدف. (ج) تم إجراء تحليل RT-PCR باستخدام mRNA المشتق من عينات مجمعة من النوع البري أو Caالخامس3.3 طافرة الدماغ كله. كانت بادئات PCR لـ RT-PCR exon3–7. يشير النطاق 690 bp إلى منتج PCR من النوع البري ، بينما يشير Caالخامس3.3 المسوخ لا يعرض الفرقة. (د) التحليل الكمي للتعبير عن Caالخامس3.3 مرنا مع التهجين في الموقع. هناك تعبير قوي عن Caالخامس3.3 في TRN للفأر من النوع البري ولكن لا يوجد تعبير في TRN المتحولة. كانت مجسات التهجين في الموقع exon3 و 4. (ه) تم استحضار تيارات LVA Ca 2+ بواسطة نبضات إزالة الاستقطاب التي تتراوح من 100 إلى −40 mV في النوع البري و كاليفورنياالخامس3.3 - / - الخلايا العصبية. (F) أظهرت العلاقة بين التيار والجهد انخفاضًا كبيرًا في كثافة تيار الذروة في كاليفورنياالخامس3.3 - / - (دائرة مفتوحة) مقارنة بالنوع البري (دائرة مغلقة). يتم تمثيل البيانات على أنها متوسط ​​± SEM *ص & lt 0.05 **ص & lt 0.01 ، ***ص & lt 0.001 ثنائي الذيل ر اختبار.

تضعف التيارات من النوع T والإطلاق المتذبذب في كاليفورنياالخامس3.3 الفئران كو.

الخسارة الوظيفية للكالسيومالخامستم فحص 3.3 عن طريق تحليل مشبك جهد الخلية الكاملة للخلايا العصبية TRN في شرائح الدماغ الحادة من KO بعمر 3 - 4 أسابيع وفئران من النوع البري. تم استحضار التيارات الداخلية LVA من قدرة إمساك –100 مللي فولت إلى مستويات إزالة الاستقطاب تتراوح من -90 إلى -40 مللي فولت (الشكل 1).ه). تم تقليل كثافة الذروة لتيار التعطيل السريع ، النموذجي لتيارات T-type Ca 2+ ، التي تم استحضارها عند إمكانات الاختبار المناسبة في كاليفورنياالخامس3.3 −/− مقارنة الخلايا العصبية TRN مع الضوابط من النوع البري (الشكل 1F). تتوافق هذه النتائج مع تلك التي تم الإبلاغ عنها سابقًا (22) وتشير إلى أن Caالخامس3.3 هي المسؤولة عن معظم التيارات T-type Ca 2+ في الخلايا العصبية TRN. لوحظ وجود كمية صغيرة من التيار المتبقي في كاليفورنياالخامس3.3 −/− من المحتمل أن يتم توسط الخلايا العصبية عند -40 mV بواسطة Caالخامس3.2 وكما لوحظ سابقا (22).

لتحديد الخلايا العصبية GABAergic التي تنطلق من TRN إلى TC ، عبرنا Caالخامس3.3 الفئران المتحولة مع الفئران المعدلة وراثيًا من الجلوتامات ديكاربوكسيلاز 65 (GAD65) -GFP. قام حقن التتبع الرجعي في منطقة TC لهذه الفئران بتسمية رجعية بعض الخلايا العصبية GABAergic إيجابية GFP في المنطقة الظهرية الوسطى من TRN (الشكل 2).أ) ، مما يسمح لنا بتحديد وتوصيف الخلايا العصبية الإسقاطية GABAergic لـ TRN. في شرائح الدماغ الحادة المأخوذة من الفئران من النوع البري ، أدى نبضة تيار مفرط الاستقطاب وجيزة جلبت إمكانات الغشاء إلى 100 مللي فولت إلى انفجار ارتداد تذبذب لاحق في 40٪ من الخلايا العصبية الإسقاطية ، في حين أظهر 45٪ عتبة منخفضة واحدة فقط (LT) ، و 15٪ لم يظهروا انفجار LT. في كاليفورنياالخامس3.3 −/− الفئران ، 80٪ من الخلايا العصبية الإسقاطية الإيجابية لـ GFP لم تظهر إطلاقًا لانفجار LT ، في حين أظهر 20٪ انفجار LT ضعيفًا ولم يتم رصد رشقات متذبذبة مطلقًا (تمديد فريمان - هالتون لاختبار فيشر للاحتمال الدقيق ، ص = 0.0000053) (الشكل 2ب). وبالتالي ، فإن قدرة الخلايا العصبية TRN على إطلاق دفعات من إمكانات العمل ضعيفة للغاية في كاليفورنياالخامس3.3 −/− الفئران.

خصائص إطلاق متغيرة للخلايا العصبية TRN التي تفتقر إلى Caالخامس3.3 قنوات وزيادة القابلية للتأثر بالتخلص من النفايات الصلبة التي يسببها GBL في كاليفورنياالخامس3.3 الفئران KO. (أ) يتم حقن الخلايا العصبية TRN المسمى بـ تتبع رجعي أحمر في الفئران TC من GAD65-GFP. صورة متحد البؤر للخلايا العصبية TRN مُصنَّفة بخرز رجعي (أحمر) و GFP (صورة موسعة). (ب) إطلاق الشخصيات من كاليفورنياالخامس3.3 + / + (الآثار الثلاثة العلوية) و كاليفورنياالخامس3.3 - / - (أثران سفليان) الخلايا العصبية TRN. (ج) آثار تخطيط كهربية الدماغ للبالغين كاليفورنياالخامس3.3 +/+ (العلوي) و كاليفورنياالخامس3.3 −/− (أدنى) الفئران لمدة 1 دقيقة قبل ومرات مختلفة بعد حقن GBL. يتم إنفاق مواقع التخلص من النفايات الصلبة المميزة بعلامات نجمية في الجزء السفلي. (د) تم حساب كثافة مواقع التخلص من النفايات الصلبة من خلال إجمالي مدة موقع التخلص من النفايات الصلبة لكل دقيقة كاليفورنياالخامس3.3 + / + (دائرة سوداء) و كاليفورنياالخامس3.3 - / - (دائرة حمراء) الفئران. (ه) توزيع مدة حلقة SWD بعد حقن GBL. (F) متوسط ​​مخططات طاقة مخطط كهربية الدماغ لـ كاليفورنياالخامس3.3 + / + و كاليفورنياالخامس3.3 - / - الفئران خلال تسجيل مدته 50 دقيقة. تم حقن GBL بعد 10 دقائق من التسجيل الأساسي. يتم تمثيل البيانات على أنها متوسط ​​± SEM *ص & lt 0.05 **ص & لتر 0.01.

زيادة نوبات الغياب التي يسببها GBL في كاليفورنياالخامس3.3 KO أو Knockdown الفئران.

لأن Caالخامس3.3 معبر عنها بكثرة في TRN ولكن ليس في TC (17) ، يمكننا استخدامها كاليفورنياالخامس3.3 −/− الفئران لتحديد دور انفجار الخلايا العصبية في TRN في مواقع التخلص من النفايات الصلبة. استنادًا إلى النموذج الحالي (10) ، توقعنا أن مواقع التخلص من النفايات الصلبة يجب أن تنخفض أو تختفي كاليفورنياالخامس3.3 - / - الفئران. لاختبار هذا التوقع ، قمنا بفحص مدى حساسية البالغين كاليفورنياالخامس3.3 - / - الفئران للعقار GBL الذي يسبب النوبات (الشكل 2ج). إدارة GBL (70 مجم / كجم من وزن الجسم ، IP) لفئران من النوع البري بعمر ∼10 أسابيع تسبب في مواقع التخلص من النفايات الصلبة النموذجية (الشكل 2)ج) والاعتقال السلوكي (الشكل S1أ). على عكس توقعاتنا ، في كاليفورنياالخامس3.3 −/− الفئران ، مواقع التخلص من النفايات الصلبة لم يتم تقليلها في الواقع ، تسبب GBL بشكل أكثر فعالية في مواقع التخلص من النفايات الصلبة من حيث الكثافة (ثانية / دقيقة) والمدة الإجمالية في كاليفورنياالخامس3.3 −/− الفئران مقارنة بالفئران البرية [مقاييس متكررة ANOVA (rmANOVA) ، تأثير المجموعة ، F(1) = 15.67, ص = 0.0008 تأثير الوقت ، F(57) = 14.46, ص & lt 0.0001 تفاعل المجموعة × الوقت ، F(57) = 4.35, ص & lt 0.0001] (الشكل 2د) ، مع مدة حلقة SWD أطول (اختبار Kolmogorov-Smirnov ، ص = 0.00003) (الشكل 2ه). كانت قوة مخطط كهربية الدماغ النسبية في خاصية المدى 3-5 هرتز لمواقع التخلص من النفايات الصلبة أعلى بشكل ملحوظ في كاليفورنياالخامس3.3 −/− الفئران من النوع البري طوال مدة التسجيل بعد علاج GBL (الشكل 2F). تم العثور على نتائج مماثلة في الفئران الصغيرة (من 3 إلى 4 أسابيع) متحولة [rmANOVA ، تأثير المجموعة ، F(1) = 1.94, ص = 0.1807 تأثير الوقت ، F(57) = 15.2, ص & lt 0.0001 تفاعل المجموعة × الوقت ، F(57) = 1.9, ص & lt 0.0001] (الشكل S1 ج و د). تم تحليل مواقع التخلص من النفايات الصلبة بناءً على شكل الموجة الخام والمصفى لتسجيلات EEG كما هو موضح بالتفصيل في مواد وطرق SI (الشكل S1 أ و ب). قمع عقار إيثوسكسيميد (ETX) المضاد للانسداد بشكل كبير مواقع التخلص من النفايات الصلبة التي يسببها GBL في الحيوانات الطافرة ، مما يؤكد أن هذه كانت مواقع التخلص من النفايات الصلبة النموذجية (الشكل S1ب1).

داخل المسار المهاد القشري ، كاليفورنياالخامسيتم التعبير عن 3.3 في كل من القشرة المخية وفي TRN (17). لمعالجة المساهمات القشرية المحتملة في النمط الظاهري للنوبة كاليفورنياالخامس3.3 −/− في الفئران ، استخدمنا إسكات الجينات بوساطة الفيروس لضرب Caالخامس3.3 في الغالب في جمهورية شمال قبرص التركية. ناقل فيروسي مرتبط بالغدة (AAV) يحتوي على shRNA خاص بـ Caالخامس3.3 (الشكل S2 أ و ب) بشكل ثنائي في TRN لفئران GAD65-GFP عمرها 8 أسابيع (الشكل 3)أ, العلوي). بعد ثلاثة أسابيع ، تدافع (التحكم) و shRNA للكالسيومالخامس3.3 (shCaالخامس3.3) تصور مع مضان أحمر (mCherry) مع الخلايا العصبية الإيجابية GAD65 (معربا عن GFP) في TRN. اقتصر التعبير عن الفيروس على الخلايا العصبية TRN (الشكل 3أ, وسط و أدنى) وخفض الكالسيوم بشكل كبيرالخامس3.3 تعبير mRNA بنسبة 62٪ في TRN مقارنةً بالتحكم (الشكل 3ب). مثل إسكات الجينات الخاصة بـ TRN لـ Caالخامس3.3 تقليل التيارات T-type Ca 2+ في الخلايا العصبية TRN (الشكل S2 ج و د) وتحسين الحساسية تجاه GBL ، على غرار ما لاحظناه في كاليفورنياالخامس3.3 −/− الفئران. كاليفورنياالخامستسببت ضربة قاضية 3.3 في وقت بدء أقصر بكثير وكثافة أعلى من SWD مقارنة بالفئران المحقونة بفيروس التحكم [rmANOVA ، تأثير المجموعة ، F(1) = 4.52, ص = 0.0468 تأثير الوقت ، F(57) = 9.21, ص = 0 مجموعة × وقت التفاعل ، F(57) = 1.12, ص = 0.2514] (الشكل 3 ج و د). كما كان طيف طاقة مخطط كهربية الدماغ في نطاق 3-5 هرتز أعلى بشكل ملحوظ في الكالسيومالخامس3.3 فئران ضربة قاضية مقارنة بفئران التحكم (الشكل 3ه). لذلك ، تشير هذه النتائج إلى زيادة نوبة الغياب التي يسببها GBL في كاليفورنياالخامس3.3 تم التوسط في KO عن طريق حذف Caالخامس3.3 في TRN ، وليس القشرة.

حساسية محسّنة لـ SWD الناجم عن GBL بعد الحقن المجهري لـ AAV-shCaالخامس3.3 في TRN من الفئران GAD65-GFP. (أ) صور متحد البؤر تظهر التعبير عن التحكم AAV و AAV-shCaالخامس3.3 (الدوائر الصفراء تشير إلى منطقة TRN في قمة الألواح). يتم تمييز الخلايا العصبية المصابة بالفيروس بـ GFP (الأخضر ، GAD65-GFP - الخلايا العصبية الإيجابية الحمراء ، الخلايا العصبية المصابة بالتحكم AAV في وسط لوحة و AAV-shCaالخامس3.3 بوصة قاع لوحة صفراء ، مدمجة). (ب) صور تمثيلية للتهجين في الموقع (العلوي، التحكم AAV أدنى، AAV-shCaالخامس3.3). (ج) آثار EEG للتحكم AAV (اليسار) و AAV-shCaالخامس3.3 الفئران (حق) لمدة 1 دقيقة قبل ووقت مختلف بعد حقن GBL. (د) تم حساب كثافة SWD من خلال المدة الإجمالية لـ SWD لكل دقيقة في تحكم AAV- (دائرة سوداء) و AAV-shCaالخامس3.3- (الدائرة الحمراء) حقنت الفئران. (ه) متوسط ​​مخططات طاقة مخطط كهربية الدماغ للتحكم في AAV و AAV-shCaالخامس3.3 – حقن الفئران خلال تسجيل لمدة 50 دقيقة. تم حقن GBL بعد 10 دقائق من التسجيل الأساسي. يتم تمثيل البيانات على أنها متوسط ​​± SEM ، *ص & لتر 0.05.

الحذف الكامل لإطلاق النار في TRN يعزز نوبات الغياب في كاليفورنياالخامس3.3 −/− KO و كاليفورنياالخامس3.2 −/− /3.3 −/− الفئران المزدوجة KO.

لتفادي الآثار المحتملة لنشاط القناة من النوع T المتبقي الموجود في TRN لـ Caالخامس3.3 ضربة قاضية و كاليفورنياالخامس3.3 −/− الفئران (الشكل 1F) ، لقد صنعنا فئرانًا مزدوجة KO (DKO) تفتقر إلى كل من Caالخامس3.2 و Caالخامس3.3 (كاليفورنياالخامس3.2 −/− /3.3 −/− الفئران) (الشكل S3أ). على الرغم من عدم وجود نشاط انفجاري في الخلايا العصبية TRN لهذه الفئران (الاحتمال الدقيق لفيشر ، ص = 0.0012) (الشكل 4أ) ، كان تأثير حقن GBL مشابهًا لما لاحظناه كاليفورنياالخامس3.3 −/− و Caالخامس3.3 فئران ضربة قاضية [rmANOVA ، تأثير جماعي ، F(1) = 21.35, ص = 0.0004 تأثير الوقت ، F(57) = 13.99, ص & lt 0.0001 تفاعل المجموعة × الوقت ، F(57) = 5.43, ص & lt 0.0001] (الشكل 4 بF). لم يتم تغيير الفاصل الزمني بين طرفي الدفع داخل SWD. علاوة على ذلك ، لا كاليفورنياالخامس3.3 −/− KO ولا كاليفورنياالخامس3.2 −/− /3.3 −/− عرضت الفئران DKO عفوية SWD (البيانات غير معروضة). تشير هذه النتائج إلى أنه يمكن الحفاظ على SWD في حالة الغياب التام لإطلاق رشقات TRN ، وفي الواقع ، يتم تعزيزها عند إلغاء الرشقات.

يتم زيادة إطلاق منشط في كاليفورنياالخامس3.3 −/− KO و كاليفورنياالخامس3.2 −/− /3.3 −/− الفئران DKO.

لشرح هذه الملاحظة غير المتوقعة ، نظرنا في احتمال أن يكون لفقدان التيارات من النوع T Ca 2+ تأثيرات أخرى على الخلايا العصبية TRN التي تعزز مواقع التخلص من النفايات الصلبة. على النقيض من فقدان رشقات TRN ، زاد تواتر إطلاق المنشط الناتج عن تيارات إزالة الاستقطاب بشكل كبير في الخلايا العصبية الإسقاطية الإيجابية لـ TRN GFP في كاليفورنياالخامس3.3 −/− مقارنة الفئران مع الفئران من النوع البري [ثنائي الاتجاه ANOVA ، تأثير المجموعة ، F(1,36) = 4.8, ص = 0.035] (الشكل 5 أ و ب). كما تم زيادة إطلاق النار المنشط في كاليفورنياالخامس3.2 −/− /3.3 −/− الفئران (الشكل S3 ب و ج). لفحص سبب زيادة إطلاق منشط ، قمنا بتحليل ما بعد فرط الاستقطاب (AHPs) المعروف أنها تنظم التردد المحتمل للعمل. لم يكن اتساع AHP السريع (fAHP) ، الذي يلعب دورًا مهمًا في إعادة استقطاب إمكانات الغشاء بعد جهد الفعل ، مختلفًا بشكل كبير بين كاليفورنياالخامس3.3 −/− والخلايا العصبية من النوع البري (الشكل 5ج). من المعروف أن الاقتران بين قنوات T وقنوات K المنشط من الكالسيوم 2+ لا غنى عنه للتصريفات التذبذبية للخلايا العصبية TRN (23). وبالتالي ، قمنا بفحص سعة AHP المتوسط ​​(mAHP) الناجم عن تنشيط قنوات K المنشط Ca 2+ ووجدنا أن mAHPs تم تقليله بشكل كبير في الفئران الطافرة (الشكل 5).د). وقد لوحظ هذا أيضًا في كاليفورنياالخامس3.2 −/− /3.3 −/− الفئران (الشكل S3 د و ه). لذلك ، قد يكون إطلاق النار المنشط المتزايد للخلايا العصبية TRN المتحولة ناتجًا جزئيًا على الأقل عن انخفاض mAHP. في المقابل ، لم تتأثر الخصائص الكهربية الجوهرية الأخرى للخلايا العصبية TC في الفئران المتحولة (الشكل S4). ميلادي). لم تظهر هذه الخلايا العصبية أيضًا أي اختلافات في سعة أو تواتر التيارات المثبطة العفوية بعد المشبكية (IPSCs) الناتجة عن مدخلات TRN (الشكل S4). E-G) ، وهو ما يتسق مع عدم وجود مواقع التخلص من النفايات العفوية في كاليفورنياالخامس3.3 −/− الفئران.

اتصال متشابك مثبط TRN-TC محسن في المسوخ.

لتحديد تأثير المصب لزيادة إطلاق منشط في الخلايا العصبية TRN ، قمنا بعد ذلك بفحص الاتصال المشبكي المثبط TRN-TC. تسجيلات المشبك التصحيح للخلايا الكاملة من الخلايا العصبية TC لـ كاليفورنياالخامس3.3 −/− تم قياس الفئران في وجود حاصرات مستقبلات الجلوتامات 6-cyano-7-nitroquinoxaline-2 و 3-dione و 2-Amino-5-phosphonopentanoic acid ، وكشفت IPSCs أحادية المشبك استجابة للتحفيز الكهربائي لـ TRN. لم يكن هناك فرق كبير في سعة IPSCs التي تم استحضارها في الخلايا العصبية TC بواسطة محفزات فردية (النوع البري ، 274 ± 117 باسكال ، ن = 8 كاليفورنياالخامس3.3 −/− ، 321 ± 131 باسكال ، ن = 9, ص = 0.8). يشير هذا إلى أن القوة التشابكية القاعدية لم تتغير في المتحولة. ومع ذلك ، لوحظت اختلافات في الاستجابة لمحفزات TRN المتعددة. استخدمنا خمسة محفزات عند 100 هرتز أو 500 هرتز لتقليد إطلاق النار المنشط أو الانفجار ، على التوالي (الشكل 5).ه). تُظهر الملاحظات السابقة في الجسم الحي أن الخلايا العصبية TRN تطلق رشقات نارية مكونة من 5-15 طفرة عند ترددات تتراوح من 250 إلى 550 هرتز (24). كيم وآخرون. أظهر (25) أن تفريغ منشط 100 هرتز أو تردد اندفاع 500 هرتز للنواة المحيطة بالتكوين يولد IPSPs في خلايا TC بعد المشبكية في المختبر. لتحفيز التردد المنشط ، كانت القوة المشبكية ، المقاسة بالشحنة المتكاملة لـ IPSCs ، أكبر بكثير في كاليفورنياالخامس3.3 −/− مقارنة بالفئران البرية (الشكل 5F). ومع ذلك ، لم يكن هناك فرق بين النوعين الجيني في استجابتهما لتحفيز تردد الاندفاع. نتيجة لذلك ، في IPSC المتحولة ، كانت الاستجابات لتحفيز التردد المنشط أكبر بكثير من الاستجابات لتحفيز تردد الاندفاع. للكشف عن كيفية تحفيز التردد المنشط زاد من انتقال المشبك المثبط في كاليفورنياالخامس3.3 −/− الفئران ، قمنا بتحليل نسبة النبض المزدوج (نسبة PPR للاستجابة الثانية / الأولى) لـ IPSCs. كان طاعون المجترات الصغيرة الذي أثاره تحفيز التردد المنشط أكبر (ص = 0.038) في كاليفورنياالخامس3.3 −/− (0.74 ± 0.6) مقارنة بالنوع البري (0.55 ± 0.75) (الشكل 5جي). هذا يشير إلى أن الزيادة في انتقال متشابك المثبط في كاليفورنياالخامس3.3 −/− تعتمد الفئران على النشاط ومنشأها قبل المشبكي ، وربما يرجع ذلك إلى انخفاض mAHPs من الخلايا العصبية TRN. قد يعكس التغيير في طاعون المجترات الصغيرة التغييرات في احتمالية الإطلاق قبل المشبكي.


الشبكات والتعلم

لقد ناقشنا حتى الآن الخصائص الأولية فقط للخلايا العصبية الفردية. ومع ذلك ، فإن الطريقة التي يتم بها تجميع الخلايا العصبية معًا في شبكات وتدريبها كان لها تاريخياً تأثير أكبر على أدائها من هيكل وحدة واحدة.

قدم فرانك روزنبلات أول شبكة ANN عملية في الخمسينيات من القرن الماضي ، وأطلق عليها اسم Perceptron. لم تتضمن أي طبقات مخفية وعلى هذا النحو كانت محدودة للغاية. ومع ذلك ، فإن طبيعتها المتوازية سمحت لها بتعلم المنطق البسيط بسهولة - أداء المنطق على المدخلات المتوازية أسهل بكثير من المنطق التسلسلي ، حيث لا توجد ذاكرة مطلوبة لتخزين القيم الوسيطة. لم تكن الطبقات العميقة موجودة بعد ، في الغالب لأن لا أحد يعرف كيف يدربها. أظهر مينسكي وبابرت في عام 1969 أن هذا النوع الأساسي من بنية الشبكات العصبية الاصطناعية لا يمكنه أبدًا حل المشكلات التي لا يمكن فصلها خطيًا (على سبيل المثال ، إجراء عمليات منطقية مثل OR الحصري) وخلصا إلى أنهما لن يكونا قادرين على حل أي مشكلة مثيرة للاهتمام حقًا. لقد استحضروا خطأً في كتابهم أن هذه المشكلة شائعة بين جميع الشبكات العصبية الاصطناعية ، مما تسبب في انخفاض كبير في الاهتمام / التمويل في الشبكات العصبية الاصطناعية ، مما أدى بشكل أساسي إلى توقف البحث في المنطقة لما يقرب من عقدين من الزمن.

استغرق الأمر حتى الثمانينيات لإنقاذ ما تبقى من شبكات ANN. توصلت مجموعة دولية من الباحثين (ديفيد روميلهارت وجيف هينتون وآخرون) إلى طريقة لتدريب الشبكات العصبية العميقة تسمى backpropagation. أدى هذا على الفور إلى دحض تخمين مينسكي وبابير ، وأطلق جهدًا بحثيًا كبيرًا في الشبكات العصبية الاصطناعية. من الجدير بالملاحظة أن التكاثر العكسي ربما يكون أحد جوانب شبكات ANN التي تم انتقادها على نطاق واسع لكونها غير قابلة للتصديق بيولوجيًا.

يعتمد الانتشار العكسي على انتشار الأخطاء إلى الوراء من خلال شبكة ANN عميقة لتصحيح / تدريب الطبقات العميقة. خوارزمية جذور الانتشار العكسي في التمايز التلقائي ، وهي طريقة طورها نيوتن في وقت لم يكن فيه أساسًا أي فهم للبيولوجيا الكامنة وراء الذكاء. لذلك فإن الادعاء بأن الإلهام البيولوجي هو بدايته سيكون سخيفًا.

يركز النقد الرئيسي للمعقولية البيولوجية للتكاثر العكسي على متطلبات تغذية الإشارات إلى الوراء ، والتي من المعروف أن الخلايا العصبية البيولوجية غير قادرة على القيام بها (هذا ليس صحيحًا تمامًا حيث تم الإبلاغ عن بعض الحالات الهامشية للإشارات العكسية). ومع ذلك ، فقد عرف علماء الأعصاب منذ فترة طويلة أن الخلايا العصبية ليست كتلة موحدة من مادة متجانسة ، ولكنها بدلاً من ذلك تظهر بشكل متكرر في مجموعات منظمة لها روابط تغذية مرتدة [2]. لذلك فمن المعقول تمامًا أن توجد على الأقل في بعض مناطق الدماغ الخلايا العصبية في أزواج حيث يتغذى أحدهما للأمام بينما الآخر يتغذى مرة أخرى مما يجعل التكاثر العكسي ممكنًا تمامًا داخل التجمع العصبي. ومع ذلك ، لم يكن هناك دليل مقنع على الانتشار العكسي للخطأ في الدماغ حتى الآن - وهو شيء يجب أن نتوقعه ليكون من السهل نسبياً مراقبته إذا كان سمة بارزة للشبكات العصبية البيولوجية.

كان الانتشار العكسي تقدمًا ضروريًا للشبكات العصبية العميقة ، حيث أن العمق هو أحد أقوى المفاهيم التي تم جلبها إلى الشبكات العصبية. يسمح العمق بالتمثيل الهرمي للمشكلة - حل المشكلات الأصغر (مثل اكتشاف الحواف) أولاً قبل الانتقال إلى المشكلات الأكبر (على سبيل المثال ، التعرف على كائن من مجموعة من الحواف). تعد الطبيعة الهرمية أيضًا سمة بارزة في معالجة المعلومات في الأدمغة [16] ، مما يوفر توافقًا أنيقًا بين الذكاء البيولوجي والذكاء الاصطناعي.

كان هناك تحسن كبير آخر في قدرات الشبكات العصبية الاصطناعية وهو إدخال الالتفاف كأحد المكونات الرئيسية [13]. يعني الالتفاف بشكل أساسي نقل عامل التصفية عبر البيانات لتحديد الميزات. جلب هذا ميزة كبيرة لتدريب الشبكات العصبية الاصطناعية لأنه يقلل بشكل كبير من عدد المعلمات المجانية التي يجب تعديلها. ومن المثير للاهتمام ، أنه ثبت جيدًا أنه يتم تطبيق مبادئ مماثلة في الدماغ [6] ، وربما تكون إحدى الظواهر الحاسمة التي تسمح للدماغ بمعالجة المنبهات البصرية بكفاءة عالية.

لقد رأينا حتى الآن أن انتقاد التكاثر العكسي بسبب عدم قابليته للمعقولية بيولوجيًا هش (بينما لم يتم العثور على دليل على الانتشار العكسي داخل الشبكات العصبية البيولوجية حتى الآن) ، ويبدو أن الالتواء يبدو جيدًا من الناحية البيولوجية. ومع ذلك ، فإن الجانب الأخير من الشبكات العصبية الاصطناعية المعاصرة لا يتبع هذا المنطق. إن تهيئة الأوزان بواسطة مصفوفة الهوية [12] هي تقنية تسهل تدريب الشبكات الأعمق. إنه يعمل لأنه في البداية تقوم الطبقات العميقة بتمرير مدخلاتها دون تغيير - وهي نقطة انطلاق أفضل من التعلم من التحول العشوائي المعقد. كما قد تتوقع ، فإن هذا لا يفسح المجال لأي مقارنة ذات مغزى مع الدماغ ، مما يوضح أن علم الأحياء ، في حين أن كونه مصدر إلهام مفيد لهندسة الشبكات العصبية الاصطناعية ليس الوسيلة الوحيدة للتقدم في الذكاء الاصطناعي.

في الختام ، تركز التطورات الرئيسية التي تقود النجاح الحالي لشبكات ANN على كيفية تدريب الشبكات العصبية الاصطناعية ، وليس ما هي عليه بالضبط. هذه التطورات هي مزيج من الخيارات الهندسية البراغماتية بشكل أساسي وبعض الإلهام البيولوجي المشكوك فيه والذي يعد أيضًا اختيارًا هندسيًا جيدًا.


هل يجب أن يحصل الناس على لقاح mRNA الجديد؟

إن ظهور B.1.1.7 الجديد هذا يجعل الأمر أكثر أهمية أن يتم تطعيم الناس في أسرع وقت ممكن.

إذا كان هذا الإصدار الجديد أكثر قابلية للانتقال ، أو إذا كان اللقاح أقل فعالية بسبب عدم تطابق لقاح الفيروس ، فسيحتاج المزيد من الناس إلى التطعيم لتحقيق مناعة القطيع والسيطرة على هذا المرض.

علاوة على ذلك ، لدينا الآن دليل على أن البروتين المرتفع لـ SARS-CoV-2 يمكن أن يتغير بشكل جذري في وقت قصير ، ولذا فمن الأهمية بمكان أن نسيطر على الفيروس لمنعه من التطور بشكل أكبر وتقويض جهود التطعيم تمامًا.


4. الأجهزة العصبية

هناك تباين كبير بين وعد الحوسبة الفعالة باستخدام شبكات SNN والتنفيذ الفعلي على أجهزة الحوسبة المتاحة حاليًا. عادةً ما تكون محاكاة شبكات SNN على أجهزة von Neumann غير فعالة ، نظرًا لأن نشاط الشبكة غير المتزامن يؤدي إلى وصول شبه عشوائي للأوزان المتشابكة في الزمان والمكان. من الناحية المثالية ، كل خلية عصبية متصاعدة هي معالج خاص بها في شبكة بدون ساعة مركزية ، وهو مبدأ التصميم عصبي المنصات. تتناقض البنية المتوازية للغاية ، والاتصال المتناثر ، والحساب في الذاكرة الذي اقترحته شبكات SNN مع المعالجة المتسلسلة والمركزية للبيانات المقيدة بجدار الذاكرة بين المعالج والذاكرة على وحدات المعالجة المركزية ووحدات معالجة الرسومات. يمكن ملاحظة الكفاءة الحسابية لشبكات SNN في الأدمغة التي يمكنها حل المهام المعقدة بينما تتطلب طاقة أقل من المصباح الخافت (Laughlin and Sejnowski ، 2003). لسد الفجوة من حيث كفاءة الطاقة بين عمليات محاكاة SNNs و SNNs البيولوجية في العقد الماضي ، تم تطوير العديد من أنظمة الأجهزة العصبية التي تم تحسينها لتنفيذ SNNs (انظر الجدول 1 لمراجعة المواصفات الفنية ، انظر Furber ، 2016 Singh Thakur وآخرون ، 2018). كفاءة الطاقة لأنظمة الأشكال العصبية تجعلها مرشحة مثالية للأجهزة المدمجة الخاضعة لقيود الطاقة ، مثل الهواتف المحمولة والروبوتات المحمولة والجوية وأجهزة إنترنت الأشياء (IoT). علاوة على ذلك ، يمكن استخدام الأجهزة العصبية في مراكز البيانات لتقليل تكلفة التطبيقات السحابية التي تعتمد على الشبكات العصبية.

الجدول 1. يسرد هذا الجدول الأنظمة العصبية المبنية التي تم عرض نتائجها مع SNNs العميقة في مهام التصنيف (للقوائم الموسعة لأنظمة الأجهزة التي يمكن استخدامها في شبكات SNN العميقة ، انظر ، على سبيل المثال ، Indiveri و Liu ، 2015 Liu et al. ، 2016).

مستوحاة من علم الأحياء ، تشترك الأجهزة العصبية الشكل في مكان البيانات لتقليل حركة المرور على الرقاقة ، والتي تنعكس في الغالب عن طريق استخدام المسامير للتواصل والحد من مروحة الخلايا العصبية. يتجلى التوازي الهائل للأجهزة العصبية في التمثيل المادي للخلايا العصبية والمشابك على الأجهزة المستوحاة من دراسة Mead (1990) (للمراجعة ، انظر Indiveri et al. ، 2011). عادةً ما يكون للأنظمة العصبية التناظرية ، التي تنفذ وظائف العصبونات المتصاعدة والمشابك مع الدوائر الإلكترونية التناظرية ، رسم خرائط واحد لواحد بين الخلايا العصبية والمشابك في وصف الشبكة وعلى الأجهزة. في المقابل ، تطبق الأنظمة الرقمية البنية المتوازية بشكل أقل دقة من خلال تجميع الخلايا العصبية وإضفاء الطابع الافتراضي عليها النوى (المئات لـ TrueNorth والآلاف لنظام SpiNNaker ، انظر أيضًا الجدول 1). ومع ذلك ، مقارنة بالافتراضية الشاملة على وحدات المعالجة المركزية ووحدات معالجة الرسومات ، أي العدد الإجمالي للخلايا العصبية في الشبكة مقسومًا على عدد النوى ، فإن المحاكاة الافتراضية على الأنظمة العصبية منخفضة نوعًا ما. يؤدي هذا إلى مرونة أقل من حيث الاتصال وحجم الشبكات ، وبالتالي فإن عروض الأجهزة التي تُظهر شبكات SNN عميقة وظيفية قليلة. تشترك جميع أنظمة الأجهزة المدرجة في الجدول 1 في مخطط حساب غير متزامن يتيح الحساب عند الطلب ويقلل من استهلاك الطاقة في حالة نشاط الشبكة المنخفض.

من حيث المبدأ ، يمكن استخدام الأجهزة العصبية لتدريب واستدلال شبكات SNN. بينما يمكن تدريب DNNs الأصلية والمقيدة (القسم 3.3) عادةً على وحدات معالجة الرسومات ثم تحويلها إلى SNNs (القسم 3.2) ، فإن التدريب القائم على الارتفاعات (القسم 3.4) وخاصة قواعد التعلم المحلية (القسم 3.5) يكون أكثر تكلفة من الناحية الحسابية على von Neumann الآلات ، وبالتالي ، يمكن أن تستفيد بشكل كبير من تسريع الأجهزة. ومع ذلك ، حتى الآن ، لم يتم عرض التدريب القائم على سبايك وقواعد التعلم المحلية للشبكات العميقة التنافسية. تجعل التطورات السريعة في هذا المجال من البحث من الصعب بناء أجهزة مخصصة للتدريب ، لأن تصميمها وإنتاجها يستغرق وقتًا طويلاً ومكلفًا (انظر أيضًا القسم 6).

4.1 الاستدلال على الأجهزة العصبية

بمجرد الحصول على معلمات SNNs من خلال أي من طرق التدريب التي تمت مراجعتها في القسم 3 ، يجب عادةً تكييف هذه الشبكات مع نظام الأجهزة المحدد لاستخدامه في الاستدلال. قد تتطلب النظم العصبية التناظرية التي تعاني من تباين المعلمات ضبطًا دقيقًا مرهقًا للشبكات المدربة مسبقًا مع نظام الأجهزة في الحلقة (Schmitt et al. ، 2017). هذا ليس عمليًا دائمًا ، لأن إعادة تكوين الأنظمة العصبية غالبًا ما تكون بطيئة مقارنة بوحدات المعالجة المركزية ووحدات معالجة الرسومات على سبيل المثال. نهج شائع آخر لتحسين أداء الاختبار هو دمج قيود الأجهزة مثل ، على سبيل المثال ، عدد محدود من الاتصالات الواردة والأوزان الكمية في عملية التدريب (القسم 3.3). بمجرد تدريب المعلمات وتكوين الجهاز ، يكون الاستدلال عادةً سريعًا وموفرًا للطاقة نظرًا لتحسينها لمدخلات ومخرجات الارتفاع. على حد علمنا فقط تم عرض نتائج نظام أجهزة TrueNorth و SpiNNaker و BrainScaleS ، حيث تم استخدام SNNs العميقة على رقائق السيليكون لمهام التصنيف مع تعقيد MNIST على الأقل (لمواصفات الأجهزة وأداء التصنيف ، انظر الجدول 1). بالنسبة للأنظمة العصبية الأخرى الواعدة ، لم يتم عرض أي نتائج لشبكات SNN العميقة حتى الآن (Park et al. ، 2014 Lin et al. ، 2018) ، أو أن عدد الخلايا العصبية والمشابك المقدمة صغير جدًا لإظهار نتائج تنافسية (Pfeil et al. ، 2013a Schmuker وآخرون ، 2014 Indiveri وآخرون ، 2015 Qiao et al. ، 2015 Moradi et al. ، 2017 Petrovici et al. ، 2017). لم يتم النظر في تطبيقات البرامج النموذجية وأنظمة مصفوفة البوابة القابلة للبرمجة الميدانية (FPGA) في هذه الدراسة. كاستثناء ، نود أن نذكر شريحة Intel Loihi الجديدة (Davies et al. ، 2018) ، والتي تظهر نتائج شبكة طبقة واحدة على صور MNIST المعالجة مسبقًا على تطبيق FPGA النموذجي (Lin et al. ، 2018) . بمجرد التكليف ، يمكن أن يكون عدد كبير من الخلايا العصبية Loihi & # x00027s واتصالها وقابليتها للتكوين وقدرات التعلم على الرقاقة أساسًا جيدًا لتمكين الشبكات العميقة على بيانات الصورة الأولية. يوضح الجدول 1 شبكات SNN العميقة على أنظمة SpiNNaker و BrainScaleS التي تقارب الإدراك متعدد الطبقات (MLPs) وشبكات المعتقدات العميقة القائمة على المعدل (DBNs) ، على التوالي ، مما يُظهر نشاط الشبكة مثل الرسم النموذجي في الشكل 1 د. في المقابل ، يتم تعديل شبكات CNN العميقة لتنفيذها على نظام TrueNorth (مقارنة بالشكل 1C). هذا يعني أن عمليات تنشيط الخلايا العصبية على TrueNorth يتم تمثيلها بواسطة طفرات مفردة وأن كل خلية عصبية في الشبكة عديمة الحالة وتشتعل مرة واحدة على الأكثر لكل إدخال. بمعنى آخر ، لم تعد المسامير تحتوي على معلومات زمنية بعد الآن ، ولكن الإنتاجية العالية تجعل الاستدلال موفرًا للطاقة.

هل أنظمة الأشكال العصبية المعروضة أكثر كفاءة في استهلاك الطاقة من وحدات معالجة الرسومات؟ تعتمد الإجابة على هذا السؤال إلى حد كبير على المهمة المعيارية المختارة ، ويمكننا فقط إعطاء أرقام تقريبية لمهام التصنيف على أساس الإطار (لمزيد من المناقشات ، انظر القسم 6). نظرًا لأن قياسات الطاقة على وحدات معالجة الرسومات المحمولة الحديثة (Nvidia Tegra X1) يتم الإبلاغ عنها فقط للشبكات الكبيرة (AlexNet) على صور كبيرة نسبيًا من مجموعة بيانات ImageNet (شركة NVIDIA ، 2015) ، ويتم تسجيل أرقام الطاقة لأنظمة الأشكال العصبية الأكثر كفاءة للشبكات المخصصة على الصور الأصغر من مجموعة بيانات CIFAR10 (Esser et al. ، 2016) ، لا يمكن إجراء مقارنة مباشرة. ومع ذلك ، إذا افترضنا انخفاضًا خطيًا في عدد العمليات مع مساحة صورة الإدخال ، وهو ما ينطبق تقريبًا على الشبكات التلافيفية ، فإن الطاقة المبلغ عنها لـ 76 & # x02009mJ لوحدات معالجة الرسومات لمعالجة صورة بحجم 224 & # x000D7224 مقياس وصولاً إلى ما يقرب من 2 & # x02009mJ للحصول على صورة من مجموعة بيانات CIFAR10 بحجم 32 & # x000D7 32. يُعد استهلاك الطاقة هذا تقريبًا ترتيبًا واحدًا من حيث الحجم أعلى من الحل الأكثر كفاءة في استخدام الطاقة ، أي DNNs ثنائية التردد على نظام TrueNorth ( للأرقام انظر الجدول 1). Since the energy consumption of most neuromorphic systems is dominated by that of synaptic events, i.e., communication and processing of spikes, higher benefits are expected for models that exploit sparse temporal codes, rather than rate-based models.

4.2 On-Chip Learning

Although unified methods to train SNNs are still missing, the SpiNNaker and BrainScaleS hardware systems implement spike-timing-dependent plasticity (STDP), a local unsupervised learning rule inspired by biology. Synaptic weights are updated by means of local correlations between pre- and postsynaptic activity (see also section 3.5). Neuromorphic systems are valuable tools to investigate such local learning rules, because the training of networks with STDP often requires long simulations of SNNs in terms of biological time, and neuromorphic systems usually accelerate such simulations compared to conventional computers. The BrainScaleS system (Schemmel et al., 2010) and its successor (Aamir et al., 2018) is an especially promising candidate for on-chip learning due to its acceleration of up to a factor of 10000 compared to biological real time, but so far STDP is only shown for small networks on a prototype chip (Pfeil et al., 2013b) and shows significant parameter variation due to imperfections in the production process (Pfeil et al., 2012). In addition, Friedmann et al. (2017) investigated the integration of on-chip plasticity processors into the BrainScaleS system to modulate STDP based on the model of neuromodulators in biology (Pawlak et al., 2010) allowing for supervised training. Although the implementation of STDP is in terms of chip area costly for the presented neuromorphic systems, novel electronic components, so called memristors, may allow for much higher densities of plastic synapses (Jo et al., 2010 Saïghi et al., 2015 Boyn et al., 2017 Burr et al., 2017 Pedretti et al., 2017).


Club mosses

The club mosses include around 400 species of lycophytes from the class Lycopsida. The vast majority of species are found within a single genus known as هوبرزيا, which are sometime referred to as the fir mosses.

They are found all around the world, most commonly growing in rainforests on the trunks of trees but some species inhabit Arctic regions and the southern end of South America. The most significant difference between club mosses and other lycophytes is that club mosses only have one type of spore.


المواد والأساليب

Ethics statement.

All animal handling and procedures were in accordance with the National Institutes of Health animal welfare guidelines and were approved by the George Mason University institutional animal care and use committee.

D1 and D2 MSN models.

D1 and D2 MSN models were generated by modifying a previously published MSN model (Evans et al. 2012). The morphology of both MSN models was the same as this previous model, except with the spines removed (to improve computational efficiency), and consisted of 189 compartments with 4 primary dendrites which divide into 8 secondary and then 16 tertiary dendrites. Each primary dendrite was 20 μm long, secondary dendrites were 24 μm long, and tertiary dendrites were composed of 11 compartments, each 36 μm long. The kinetics of the channels included in the model were identical to the previous model (Evans et al. 2012). D1 and D2 MSN models were created by changing the maximal conductance of intrinsic and synaptic channels from values used for our previous MSN model (Table 1), based on experimental data measuring the effect of D1 or D2 receptor agonists, as summarized in Nicola et al. (2000) and Moyer et al. (2007). The maximal conductances of the α-amino-3-hydroxy-5-methyl-4-isoxazolepropionic acid (AMPA) and ن-methyl- d -aspartate (NMDA) receptors of both MSN classes were additionally adjusted to maintain the NMDA-to-AMPA ratio of 2.75:1 measured in cortico-striatal terminals from dorsal striatum of adult animals (Ding et al. 2008), as used previously (Evans et al. 2012). Note that this value is considerably greater than the NMDA-to-AMPA ratio measured in the striatum from other striatal regions (ventral −0.22 Popescu et al. 2007) or from younger animals (∼1.0 Logan et al. 2007).

Table 1. Modulation of channel conductances

Values are % conductance value reported in Evans et al. (2012).

For simulations that investigate the contribution of morphology differences between D1 and D2 MSNs in explaining differences in excitability, the number of primary dendrites for D1 MSNs was increased from 4 to 6 based on reconstructions of these neurons (Gertler et al. 2008). The intrinsic channel properties of both MSN classes were set to match those of a D2 MSN for these simulations since this produced frequency-current (F–I) curves that matched experimental results most accurately.

FSI network.

A previously published FSI network model was used (Hjorth et al. 2009) and extended to include chemical synapses, as seen experimentally (Gittis et al. 2010). Each FSI in this network consisted of 127 compartments with a soma and 2 primary dendrites, which divide into 4 secondary and 8 tertiary dendrites. The channels incorporated in this model included a fast-sodium channel (NaF), voltage-dependent K + (Kv) 3.1, Kv1.3 and slowly inactivating A-type (transient) potassium channel (KAs) (Kotaleski et al. 2006). The gap junction connections between the FSIs were modeled as resistive elements between the primary dendrites, with a conductance of 0.5 nS, coupling coefficient of 25% and probability of gap junction connection between nearby FSIs of 0.3 (Galarreta and Hestrin 2002 Hjorth et al. 2009 Koós and Tepper 1999). Chemical synapses were GABAergic, chloride-permeable channels [rise time constant, 1.33 ms decay time constant, 4 ms reversal potential, −60 mV maximal conductance, 1 nS (Gittis et al. 2010)]. The probability of chemical synapse connection between FSIs was 0.58 (Gittis et al. 2010) and was independent of the probability of gap junction connection.

Striatal network.

The striatal network consisted of 1,000 MSNs (500 D1 MSNs and 500 D2 MSNs) and 49 FSIs (see Fig. 2أ). The MSN-to-FSI ratio was based on experimental observations: each MSN receives input from 55% of nearby striatal FSIs (Tecuapetla et al. 2007), and between 4 and 27 converge on the same MSN (Koós and Tepper 1999). Based on these estimates, the 49 neuron FSI network corresponded to the FSI network seen by 1,000 postsynaptic MSNs. Although the percentage of FSIs is slightly larger than observed experimentally, a smaller number of FSIs would have incorrectly produced homogenous FSI input to each MSN in the network model. A heterogeneous network of neurons was generated by changing the KAs conductance (both MSNs and FSIs) and NMDA channel conductance (MSN only) by ±10%. The range of activity of MSNs used in the network, in response to current injections, was within the range of experimentally observed responses (see Fig. 2ب electrophysiology methods described below). The distance between each MSN soma in the model was 25 μm both in the x-axis and the ذ-axis based on experimental observations (Tunstall et al. 2002), resulting in a 775 × 775 μm 2 grid. At each grid location, the assignment of either D1 or D2 MSNs was random with probability = 0.5.

The probabilities of connection of MSN-MSN and FSI-MSN synapses were modeled using a distance-based exponential function, tuned to match experimentally observed probabilities of connections (Gittis et al. 2010 Planert et al. 2010 Plenz 2003 Taverna et al. 2008): P ( x ) = e − [ ( x 2 − x 1 ) 2 − ( y 2 − y 1 ) 2 ] / f where F = 95 μm 2 . FSIs were connected to MSNs with GABAergic synapses [rise time constant, 0.25 ms decay time constant, 3.65 ms reversal potential, −60 mV maximal conductance, 8.4 nS (Gittis et al. 2010)], whereas the GABAergic synapses between MSNs had a maximal conductance of 0.75 nS with the same rise and decay times (Koos et al. 2004). Note that GABAergic synapses in MSNs are depolarizing due to the hyperpolarized (−80 to −90 mV) resting membrane potential of mature MSNs (Wilson and Kawaguchi 1996), coupled with GABA responses which reverse between −60 and −50 mV (Kita 1996 Mercuri et al. 1991 Tunstall et al. 2002). The FSI-MSN synapses also were more proximal than MSN-MSN synapses (Oorschot et al. 2010). The probability and strength of connection of MSN-MSN and FSI-MSN synapses in the network model were independent of the type of pre- or postsynaptic MSN (Planert et al. 2010). The transmission delays were distance-based using a conduction velocity of 0.8 m/s for both FSI and MSN synapses (Tepper and Lee 2007 Wilson 1986 Wilson et al. 1990).

Extrinsic synaptic input.

Excitatory input to the striatum comes primarily from the cortex and thalamus. We simulated this glutamatergic input as Poisson distributed spike trains with a minimum time between spikes of 100 μs. Both MSN classes in this model have 360 AMPA and NMDA synapses and 227 GABA synapses. Note that each Poisson train represents activity from more than one cortical neuron, and each synapse represents the population of synapses in a single isopotential compartment. Thus the 100-μs minimum interspike interval is to prevent more than 1 spike per time step to each MSN. Each synaptic channel in the MSN model receives an input of 10 Hz during the upstate, which results in a total input of ∼800 synaptic inputs per second and 1/20 of this input during down states (Blackwell et al. 2003). Each FSI model has 127 AMPA synapses and 93 GABA synapses, resulting in a total AMPA input of 282 Hz and GABA input of 207 Hz, when 2 Hz input is provided to each synapse (Kotaleski et al. 2006). To introduce correlations within both the MSN and FSI input, each spike from the set of spike trains was assigned to more than one synapse, with probability ص = 1/ن, where n = N − c ( N − 1 ) , where ن = number of synapses, and ج = 0.5 (Hjorth et al. 2009). For each neuron, starting from a single mother spike train per neuron, spike trains for each synapse were created by assigning the spike to that synapse if a uniform random number was greater than ص. This produced a mean number of synapses activated by each spike of 1.4 for the control simulations. To introduce between-neuron input correlation, an additional shared set of input spikes was generated. The between-neuron input correlation was then adjusted by changing the fraction of input each neuron received from this shared pool (as opposed to the spike trains that were unique to each neuron). Unless otherwise stated, 30% of all excitatory synaptic input to either the FSI or MSN populations was shared with FSIs and MSNs each having their own sets of shared inputs. This base level of between-neuron correlation was incorporated based on studies that report correlation among the cortical input to the striatum (Krüger and Aiple 1988 Stern et al. 1998 Ts'o and Gilbert 1988). For the case where synchronized cortical input was provided to FSIs to compensate for lack of gap junctions, the correlation value was doubled for FSI inputs only.

The model was implemented in GENESIS (Bower and Beeman 2007), and simulations used a time step of 100 μs. The simulation time was 2 s with five 0.2-s duration upstates separated by 0.2-s duration downstates. Each upstate used a different set of cortical input spikes and thus was an independent observation of the network response. Each network simulation experiment took 3 wk to run. The cortico-striatal Poisson spike trains were generated using MATLAB (version 2007b, MathWorks). The simulation and output processing software, along with the files used for the simulations, are freely available from the authors' website (http://krasnow1.gmu.edu/CENlab/) and modelDB (http://senselab.med.yale.edu/ModelDB/).

Analysis of spikes.

Mean firing frequency during upstates was plotted by averaging across neurons of the same class using 10-ms time bins. The firing frequency was expressed as mean ± SD of values obtained from five different upstates. To investigate the contribution of gap junctions on synchronization, cross-correlograms were constructed for each directly coupled neuron pair in the FSI network and then averaged over the network (Hjorth et al. 2009). Cross-correlograms also were constructed for directly coupled MSN pairs. Correlation was corrected for firing frequency by subtracting the shuffled cross-correlograms for the same network condition. Statistical analyses were performed using SAS. When only two groups were being compared, the procedure TTEST was used. When more than two groups were compared, one-way analysis of variance was performed using the GLM procedure with network condition as the independent variable and difference between D1 and D2 MSN frequencies as the dependent variable. Each of the five upstates was considered as an independent replication, and ص < 0.05 was considered significant. Post hoc analyses used Bonferroni correction for multiple comparisons with ص < 0.01 considered significant.

Electrophysiology for model tuning.

Patch-clamp recordings were performed to obtain a range of responses of MSNs to somatic current injection (Fig. 2ب). C57B6 male and female mice (at least 20 days old) were anesthetized with isoflurane and decapitated. Brains were quickly extracted and placed in oxygenated ice-cold slicing solution (in mM: KCl 2.8, dextrose 10, NaHCO3 26.2, NaH2ص4 1.25, CaCl2 0.5, Mg2وبالتالي4 7, sucrose 210). Hemicoronal slices from both hemispheres were cut 350-μm thick using a vibratome (Leica VT 1000S). Slices were immediately placed in an incubation chamber containing artificial cerebrospinal fluid (in mM: NaCl 126, NaH2ص4 1.25, KCl 2.8, CaCl2 2, Mg2وبالتالي4 1, NaHCO3 26.2, dextrose 11) for 30 min at 33°C, then removed to room temperature (21–24°C) for at least 90 more minutes before use.

A single hemislice was transferred to a submersion recording chamber (ALA Science) gravity-perfused with oxygenated artificial cerebrospinal fluid containing 50 μM picrotoxin. Temperature was maintained at 30–32°C (ALA Science) and was monitored with an external thermistor. Whole cell patch-clamp recordings were obtained from neurons under visual guidance using infrared differential interference contrast imaging (Zeiss Axioskop2 FS plus). Pipettes were pulled from borosilicate glass on a laser pipette puller (Sutter P-2000) and fire-polished (Narishige MF-830) to a resistance of 3–7 MΩ. Pipettes were filled with a potassium-based internal solution (in mM: K-gluconate 132, KCl 10, NaCl 8, HEPES 10, Mg-ATP 3.56, Na-GTP 0.38, EGTA 0.1, biocytin 0.77) for all recordings. Intracellular signals were collected in current clamp and filtered at 3 kHz using an Axoclamp2B amplifier (Axon Instruments) and sampled at 10–20 kHz using an ITC-16 (Instrutech) and Pulse version 8.80 (HEKA Electronik). Series resistance (6–30 MΩ) was manually compensated.


خلفية

Neural responses in visual cortex depend not only on sensory input but also on behavioral context. One such context is locomotion, which modulates single-neuron activity in primary visual cortex (V1). How locomotion affects neuronal populations across cortical layers and in precortical structures is not well understood.

نتائج

We performed extracellular multielectrode recordings in the visual system of mice during locomotion and stationary periods. We found that locomotion influenced activity of V1 neurons with a characteristic laminar profile and shaped the population response by reducing pairwise correlations. Although the reduction of pairwise correlations was restricted to cortex, locomotion slightly but consistently increased firing rates and controlled tuning selectivity already in the dorsolateral geniculate nucleus (dLGN) of the thalamus. At the level of the eye, increases in locomotion speed were associated with pupil dilation.

الاستنتاجات

These findings document further, nonmultiplicative effects of locomotion, reaching earlier processing stages than cortex.


الإزهار

The arrangement and distribution of flower in the axis of plant is called inflorescence. The supporting stalk in inflorescence is known as peduncle. The supporting stalk of individual flower is called pedicel.
Solitary terminal is the inflorescence in which single flower of the terminal part of growth.
Solitary axillary: If single flower develops from the axis of leaves and branches of plant, then the inflorescence will be solitary axillary.
Based on the mode of distribution and origination of flower, in plant, inflorescence can be categorized as:

    Racemose:
    In this type of inflorescene, the main axis of inflorescene does not terminate in flower but continuous to scene does not terminate in flower but continuous to grow and fives flowers laterally. The flower at lower or outer side is older and upper or inner flowers are younger. It is termed as arrangement of flowers in zeropetal or centripetal succession.It is of further following types:

  1. شمراخ
    In this inflorescene, the main axis is long and bears laterally flowers of equal length. على سبيل المثال mustard.
  2. تصاعد
    It consists of a long laterally like in racemose. على سبيل المثال Amarenthus, etc
  3. Spikelet
  4. Catluin or Amentum:
    In catluim, the flowers are arranged like that of spike but consists of more compactly arranged and unisexual flowers. The axis is long and pendulous. All the flowers of certain mature at the same time and fall as a unit. على سبيل المثال Mulberry,etc.
  5. Spadix
    It is also like spike but axis is fleshly and whole axis is enclosed by one or more large bracts called spathes. على سبيل المثال banana. The upper part of it consists of flowers.
  6. Corymb
    The arrangement of flowers in corymb is like in spike but the main axis is short and the pedicals of flowers are of varying length so that they are on the same level. على سبيل المثال candytuft. In some cases, the main axis is long and upper flower form corymb whereas lower form raceme. على سبيل المثال mustard.
  7. Umbel
    It consists of a very short axis. All the flowers have long stalk arising from the same point e.g. Cantella.In some cases, a flower is represented by an umber and is called compound umbel. It is foung in Coriandrum.
  8. Head or capitulum
    In this inflorescene, the main axis is compressed and forms a convex structure called receptacle. On the receptacle, sessile less flowers (florets) are arranged in a centripetal order. The whole inflorescene is surrounded by an involucre of bracts. The members of family compositae like sunflower, marigold, etc bear it.

    Monochasial
    The main axis ends in a flower and only are lateral bud grows and again ends in a flower. It is of two types:


شاهد الفيديو: الفرق بين أزرار اطلاق النار في لعبة بابجي موبايل (ديسمبر 2022).